gifts_py

선물

쿼리와 함께 공통 기능이있는 요소를 검색합니다.

 query = [ 'A' , 'B' ]

elements = [
    [ 'N' , 'A' , 'M' ],  # common features: 'A'
    [ 'C' , 'B' , 'A' ],  # common features: 'A', 'B'  
    [ 'X' , 'Y' ]  # no common features
]

이 경우, 특정 순서에서 ['C', 'B', 'A'] 및 ['N', 'A', 'M'] 있는 검색.

전체 텍스트 검색에 사용하십시오

쿼리에서 단어가 포함 된 문서 찾기.

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ "wait" , "mister" , "postman" ],
        doc_id = "doc1" )

fts . add ([ "please" , "mister" , "postman" , "look" , "and" , "see" ],
        doc_id = "doc2" )

fts . add ([ "oh" , "yes" , "wait" , "a" , "minute" , "mister" , "postman" ],
        doc_id = "doc3" )

# print IDs of documents in which at least one word of the query occurs, 
# starting with the most relevant matches
for doc_id in fts . search ([ 'postman' , 'wait' ]):
    print ( doc_id )

추상 데이터 마이닝에 사용하십시오

위의 예에서, 단어는 문자 그대로 문자열이었다. 그러나 그들은 dict 키로 적합한 객체 일 수 있습니다.

 from gifts import SmoothFts

fts = SmoothFts ()

fts . add ([ 3 , 1 , 4 , 1 , 5 , 9 , 2 ], doc_id = "doc1" )
fts . add ([ 6 , 5 , 3 , 5 ], doc_id = "doc2" )
fts . add ([ 8 , 9 , 7 , 9 , 3 , 2 ], doc_id = "doc3" )

for doc_id in fts . search ([ 5 , 3 , 7 ]):
    print ( doc_id )

구현 세부 사항

결과 순위를 매기면 알고리즘은 다음을 고려합니다.

• 일치하는 단어의 수
• 데이터베이스에서 그러한 단어의 희귀 성
• 문서에서 단어 발생 빈도

Smoothfts

 from gifts import SmoothFts

그것은 단어에 가중치를 부여하기 위해 로그 TF-IDF를 사용하고 경기를 기록하기위한 코사인 유사성을 사용합니다.

간단한fts

 from gifts import SimpleFts

최소한의 접근 : 무게, 곱하기, 비교. 이 객체는 SmoothFts 보다 눈에 띄게 빠릅니다.

설치하다

씨

pip3 install git+https://github.com/rtmigo/gifts_py#egg=gifts

setup.py

 install_requires = [
    "gifts@ git+https://github.com/rtmigo/gifts_py"
]

참조하십시오

Skifts 패키지는 동일한 검색을 수행하지만 Scikit-Learn 및 Numpy를 사용하여 더 나은 성능을 제공합니다. 말 그대로 수백 배 더 빠릅니다.